基于深度学习的实体链接方法与系统
发布时间：2021-03-03 06:53
实体链接（Entity linking）旨在将文本中的实体指称词映射到已有知识库中对应的正确实体上。作为自然语言处理中的子任务,它能消除自然语言中的歧义,是帮助计算机实现自然语言理解的核心技术之一。当前主流的实体链接方法利用外部知识库为指称词的候选实体构造子图,然后将在该子图上抽取的全局特征与本地特征结合对候选实体进行排序,进而将排序在前的候选实体作为最终实体。该类方法虽然有效利用了候选实体之间的关系信息,链接性能好,但其运算量较大而且没有利用到文档中的指称词之间文本的语义信息。为此,本文在上述工作基础上,利用深度学习技术研究指称词间文本的语义信息对候选实体排序位置的影响,进而提出了词向量与实体向量联合训练的学习方法与指称词间语义关系增强的实体消歧模型,并构建了基于该模型的实体链接系统,该系统能够以可视化的方式显示链接结果,具体成果如下:1、提出了一种词向量与实体向量的联合训练方法。在基于深度学习的实体链接方法中,词与实体都需要使用向量进行表示,而且指称词上下文与候选实体要进行交互以计算指称词与候选实体的相似程度。考虑到已有词向量与实体向量联合学习方法参数复杂、较难调参的问题,该方法将...
【文章来源】：中国科学院大学(中国科学院人工智能学院)北京市
【文章页数】：89 页
【学位级别】：硕士
【部分图文】：
图１．３搜索引擎智能问答实例??Ｆｉｕｒｅ?１．３?Ａｎ?ｅｘａｍｌｅ?ｏｆ?ｉｎｔｅｌｌｉｅｎｔｕｅｓｔｉｏｎ?ａｎｓｗｅｒｉｎｏｎ?ｓｅａｒｃｈ?ｅｎｇｉｎｅ??
深度学习协同方法??深度学习协同方法％５３１使用深度学习方法抽取指称词的上下文特征，利用了??整篇文档的语义信息，在同一篇文档里，很有可能相同的指称词指代不同的实体，??而一些方法会将文档里的相同指称词都链接到同一实体上。为了克服上述问题，??深度学习协同方法更重视整篇文章中包含的重要信息，而不仅仅只关注某个指称??词的上下文特征，这种方法能够考虑到每个指称词与目标实体的关系，提高实体??链接的准确率。２０１８年刘知远等［５５］使用图卷积神经网络来进行集体实体链接，其??模型框架如图２．２所示，首先将一篇文档中的所有指称词的候选实体通过知识库??中的关系构建一个子图，然后将子图中抽取的图的特征信息与本地特征同时作为??图卷积神经网络的输入，经过编码与解码后，得到每个候选实体的概率大小，该??方法在ＡＩＤＡ数据集上取得了?８０％的Ｆ值。ＭｅｎｇｇｅＸｕｅ［５５］利用了外部知识库为??候选实体构建子图，然后使用循环随机游走网络学习候选实体间的相关度，最后??得到每个候选实体的概率，该方法在ＡＩＤＡ取得了?９２．３６％的Ｆ值。??基于深度学习的协同实体链接方法利用到了候选实体间的语义关系等全局??特征，该类方法在测试数据集上证明了该方法的有效性，但是深度学习协同实体??链接系列方法计算复杂度较高，部分方法中需要借助外部知识库等资源通过人工??构建特征，此外该类模型在运行效率方面还有一些提升的空间。??＿?＿．?ｙｏｒｋｓｈｉｒｅ?／Ｕ，＿】?Ｆｅａｔｕｒｅ?Ｅｘｔｒａｃｔｉｏｎ?Ｎｅｕｒａｌ?Ｍｏｄｅ！??…Ｈｕｓｓａｉｎ．????？－＇ｆｃＣＴ??，ｓｔｒｕｃｋ?１５８．???」??ｈｉｓ?ｆｉｒｓｔ?Ｉ
?基于深度学习的实体链接方法和系统???功能介绍?功能滇示?应用场思?技术特色?产品定价拒关推荐??买了个班为??实体?实体所属概念?实体描述??翅企业松同?瞒公司??ｍ?文字词ｉｎ?中国汉字??勃?ｌｋｉｋ＆公司?有限公司??图２．?６百度实例链接服务＂??Ｆｉｇｕｒｅ?２．６?Ｅｎｔｉｔｙ?ｌｉｎｋｉｎｇ?ｓｅｒｖ?ｉｃｅ?ｏｆ?Ｂａｉｄｕ?１２??２．６小结??本章首先简单介绍了实体链接的发展与基本概念，然后介绍了实体链接相关??流程及其对应技术的国内外发展现状，同时本文还对国内外知名的实体链接评测??任务进行了调研与统计，本章还简要介绍了实体链接过程中的常用技术，包括文??本表示方法与实体链接的常用特征等，最后本章对国内外知名的实体链接相关产??品与平台进行了调研与介绍，以反映实体链接技术的发展现状。??１１?ｌｕｔｐｓ：／／ａｉ．ｈａｉｄｕ．ｃｏｍ／ｔｅｃｈ／ｃｏｇｎｉｔｉｖｅ／ｅｎｔｉｔｙ＿ａｎｎｏｔａｔｉｏｎ??２４??
本文编号：3060824
【文章来源】：中国科学院大学(中国科学院人工智能学院)北京市
【文章页数】：89 页
【学位级别】：硕士
【部分图文】：
图１．３搜索引擎智能问答实例??Ｆｉｕｒｅ?１．３?Ａｎ?ｅｘａｍｌｅ?ｏｆ?ｉｎｔｅｌｌｉｅｎｔｕｅｓｔｉｏｎ?ａｎｓｗｅｒｉｎｏｎ?ｓｅａｒｃｈ?ｅｎｇｉｎｅ??
深度学习协同方法??深度学习协同方法％５３１使用深度学习方法抽取指称词的上下文特征，利用了??整篇文档的语义信息，在同一篇文档里，很有可能相同的指称词指代不同的实体，??而一些方法会将文档里的相同指称词都链接到同一实体上。为了克服上述问题，??深度学习协同方法更重视整篇文章中包含的重要信息，而不仅仅只关注某个指称??词的上下文特征，这种方法能够考虑到每个指称词与目标实体的关系，提高实体??链接的准确率。２０１８年刘知远等［５５］使用图卷积神经网络来进行集体实体链接，其??模型框架如图２．２所示，首先将一篇文档中的所有指称词的候选实体通过知识库??中的关系构建一个子图，然后将子图中抽取的图的特征信息与本地特征同时作为??图卷积神经网络的输入，经过编码与解码后，得到每个候选实体的概率大小，该??方法在ＡＩＤＡ数据集上取得了?８０％的Ｆ值。ＭｅｎｇｇｅＸｕｅ［５５］利用了外部知识库为??候选实体构建子图，然后使用循环随机游走网络学习候选实体间的相关度，最后??得到每个候选实体的概率，该方法在ＡＩＤＡ取得了?９２．３６％的Ｆ值。??基于深度学习的协同实体链接方法利用到了候选实体间的语义关系等全局??特征，该类方法在测试数据集上证明了该方法的有效性，但是深度学习协同实体??链接系列方法计算复杂度较高，部分方法中需要借助外部知识库等资源通过人工??构建特征，此外该类模型在运行效率方面还有一些提升的空间。??＿?＿．?ｙｏｒｋｓｈｉｒｅ?／Ｕ，＿】?Ｆｅａｔｕｒｅ?Ｅｘｔｒａｃｔｉｏｎ?Ｎｅｕｒａｌ?Ｍｏｄｅ！??…Ｈｕｓｓａｉｎ．????？－＇ｆｃＣＴ??，ｓｔｒｕｃｋ?１５８．???」??ｈｉｓ?ｆｉｒｓｔ?Ｉ
?基于深度学习的实体链接方法和系统???功能介绍?功能滇示?应用场思?技术特色?产品定价拒关推荐??买了个班为??实体?实体所属概念?实体描述??翅企业松同?瞒公司??ｍ?文字词ｉｎ?中国汉字??勃?ｌｋｉｋ＆公司?有限公司??图２．?６百度实例链接服务＂??Ｆｉｇｕｒｅ?２．６?Ｅｎｔｉｔｙ?ｌｉｎｋｉｎｇ?ｓｅｒｖ?ｉｃｅ?ｏｆ?Ｂａｉｄｕ?１２??２．６小结??本章首先简单介绍了实体链接的发展与基本概念，然后介绍了实体链接相关??流程及其对应技术的国内外发展现状，同时本文还对国内外知名的实体链接评测??任务进行了调研与统计，本章还简要介绍了实体链接过程中的常用技术，包括文??本表示方法与实体链接的常用特征等，最后本章对国内外知名的实体链接相关产??品与平台进行了调研与介绍，以反映实体链接技术的发展现状。??１１?ｌｕｔｐｓ：／／ａｉ．ｈａｉｄｕ．ｃｏｍ／ｔｅｃｈ／ｃｏｇｎｉｔｉｖｅ／ｅｎｔｉｔｙ＿ａｎｎｏｔａｔｉｏｎ??２４??
本文编号：3060824
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3060824.html
